今天，分享一篇長達 35 頁的最新Agentic RAG 綜述。

論文想解決的核心問題是，當今天大型語言模型（LLMs）在處理動態(tài)、實時查詢時依賴靜態(tài)訓練數(shù)據(jù)導致的過時、不準確輸出、幻覺等問題。

它從最基本原則和 RAG 范式的演變開始，介紹 Agentic RAG 的 7 種架構(gòu)。還重點介紹在 5 種應(yīng)用場景的效果，如醫(yī)療保健、金融和教育等行業(yè)中的關(guān)鍵應(yīng)用，且非常詳細。

Agentic RAG 原理

首先，來看 Agentic RAG 是如何破局傳統(tǒng)的限制，成為新的探索方向呢。

一般來說，普通常 Agent 包括 4 部分組成：

• LLM（具有定義的角色和任務(wù)）：作為 Agent 主要推理引擎，幫助用戶查詢，生成響應(yīng)，并保持連貫性。
• 記憶（短長期記憶）：在互動過程中的上下文和依賴數(shù)據(jù)，短期記憶會跟蹤對話狀態(tài)，而長期記憶具備長期存儲數(shù)據(jù)能力。
• 規(guī)劃（反思與自我評價）：可以通過自我反思和自我評判引導 Agent 的迭代推理。
• 工具（如向量搜索、網(wǎng)絡(luò)搜索、API 等）：僅靠上面三個部分 Agent 還是過于簡單，通過工具擴展來提高 Agent 能力，如調(diào)用外部資源，實時獲取數(shù)據(jù)等。

然后，Agentic RAG 帶來了新的 4 種機制。

1. 自我反思

通過對其輸出的正確性、風格、效率進行批判，不斷驗證結(jié)果差距來進一步增強。像人類一樣具備自我修煉、評估檢索到的結(jié)果進行迭代改進。

2. 規(guī)劃

規(guī)劃機制，它能夠通過分解復雜任務(wù)為子任務(wù)并動態(tài)調(diào)整執(zhí)行順序，適應(yīng)動態(tài)環(huán)境，處理不確定任務(wù)，推動創(chuàng)新應(yīng)用。具備這種能力，在動態(tài)和不確定的場景中進行多跳推理和迭代問題解決至關(guān)重要。

3. 工具使用 

工具可以擴展 Agent 能力的變?yōu)橹陵P(guān)重要，讓Agent 系統(tǒng)變得更靈活，能力更強。

4. 多 Agent 協(xié)作

意思是多個不同 Agent 在一起協(xié)同作業(yè)，分工明確每個 Agent 負責具體任務(wù)。類似在企業(yè)團隊共同合作完成任務(wù)，這些效率高效。

Agentic RAG七種框架

1. 單Agent架構(gòu)

單 Agent 架構(gòu)在處理簡單任務(wù)時表現(xiàn)出色，但在處理復雜任務(wù)時效率較低。其優(yōu)勢在于簡單的設(shè)計和高效的資源優(yōu)化，這種架構(gòu)強調(diào)簡單，輕松的任務(wù)。

案例：客戶支持

2. 多Agent架構(gòu)

多Agent 架構(gòu)在處理復雜任務(wù)時表現(xiàn)優(yōu)異，能夠并行處理多種查詢類型，提高系統(tǒng)的可擴展性和準確性。這種架構(gòu)難點在于，你要如何挑戰(zhàn)在多個 Agent 間的協(xié)調(diào)復雜性和計算開銷。

案例：多領(lǐng)域研究助手

3. 分層代理架構(gòu)

分Agent 架構(gòu)，適合較為復雜的多面查詢場景表現(xiàn)最佳，通過優(yōu)先級分配，提高了整體響應(yīng)的準確性和連貫性。比較有挑戰(zhàn)地方，如何維護多級代理間的通信和資源分配。

案例：金融分析系統(tǒng)

4. 自我糾正架構(gòu)

核心思想是通過動態(tài)評估檢索文檔的相關(guān)性并進行修正，從而提高響應(yīng)的準確性和相關(guān)性。

案例：學術(shù)研究助手 提示：生成式AI研究的最新發(fā)現(xiàn)有哪些？ 綜合響應(yīng)：“生成式AI的最新發(fā)現(xiàn)突顯了擴散模型的進步、用于文本到視頻任務(wù)的強化學習以及大規(guī)模模型訓練的優(yōu)化技術(shù)。欲了解更多細節(jié)，請參閱2024年NeurIPS和2025年AAAI發(fā)表的研究?！?/p>

5. 自適應(yīng)架構(gòu)

非常核心的理念是，它可以根據(jù)查詢的復雜性動態(tài)調(diào)整檢索策略的能力。

6. 圖RAG的Agent 框架

核心原理，它可以動態(tài)分配檢索任務(wù)給專門代理的能力，利用圖形知識庫和文本文檔。是一種比較新穎的Agent 架構(gòu)，可以將圖知識庫與非結(jié)構(gòu)化文檔檢索相結(jié)合。從而增強了檢索增強生成（RAG）系統(tǒng)，提高了推理和檢索的準確性。

GeAR概覽，用于檢索增強生成的圖增強Agent。

7. 企業(yè)級架構(gòu)

提供了企業(yè)級應(yīng)用的相對完整解決方案，企業(yè)比較典型場景“發(fā)票支付工作流”。

Agentic RAG 實際應(yīng)用場景，成功案例

下面是，Agentic RAG 系統(tǒng)在實際應(yīng)用中的成功案例，也展示了 Agentic RAG的優(yōu)勢所在。

• Twitch利用Agentic RAG系統(tǒng)優(yōu)化廣告銷售流程 
• 醫(yī)療機構(gòu)使用Agentic RAG系統(tǒng)生成患者病例摘要 
• 法律機構(gòu)使用Agentic RAG系統(tǒng)進行合同審查 
• 保險公司使用Agentic RAG系統(tǒng)自動化汽車保險理賠處理 
• 高等教育機構(gòu)使用Agentic RAG系統(tǒng)輔助研究人員生成研究論文摘要

好了，以上是這篇 35 頁綜述。